随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利...随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network,TCN)-双向长短期记忆网络(bidirectional long short term memory,BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network,DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy,MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁棒性。展开更多
锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子...锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子电池多个充电阶段的每次循环电压曲线、电流曲线,每个阶段各个曲线转换为统计健康特征来表征锂离子电池老化特性,并使用Pearson相关系数对所选统计特征进行了相关性分析,筛选出与容量相关性高的健康特征,消除特征冗余性。随后,融合卷积神经网络和具有线性复杂度的Fastformer神经网络的特点,使用卷积神经网络强大的特征提取能力挖掘健康特征的局部信息,利用Fastformer的多头附加注意力机制可以更高效地在复杂的长序列中总结全文信息。然后,为减少模型训练时间,利用正交实验法对模型超参数进行优化。最后,采用公开数据集将所提方法与CNN、GRU、RNN模型进行对比,验证卷积Fastformer模型的准确性,结果表明,平均绝对误差、均方根误差最大仅为0.25%,0.29%,相对误差在0.8%以内,具有较高的估计精度和稳定性。展开更多
文摘随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network,TCN)-双向长短期记忆网络(bidirectional long short term memory,BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network,DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy,MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁棒性。
文摘锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子电池多个充电阶段的每次循环电压曲线、电流曲线,每个阶段各个曲线转换为统计健康特征来表征锂离子电池老化特性,并使用Pearson相关系数对所选统计特征进行了相关性分析,筛选出与容量相关性高的健康特征,消除特征冗余性。随后,融合卷积神经网络和具有线性复杂度的Fastformer神经网络的特点,使用卷积神经网络强大的特征提取能力挖掘健康特征的局部信息,利用Fastformer的多头附加注意力机制可以更高效地在复杂的长序列中总结全文信息。然后,为减少模型训练时间,利用正交实验法对模型超参数进行优化。最后,采用公开数据集将所提方法与CNN、GRU、RNN模型进行对比,验证卷积Fastformer模型的准确性,结果表明,平均绝对误差、均方根误差最大仅为0.25%,0.29%,相对误差在0.8%以内,具有较高的估计精度和稳定性。
